นักวิทยาศาสตร์ นำหลักฟิสิกส์ ผสมผสานกับ AI และภายถ่ายจากดาวเทียมวิเคราะห์โอกาสน้ำท่วมในอนาคต ให้แต่ละท้องถิ่นใช้ เพื่อวางแผนอพยพประชาชน ก่อนสถานการณ์จริงจะเกิดขึ้น
การสร้างภาพผลกระทบที่อาจเกิดขึ้นจากพายุเฮอริเคนที่มีต่อบ้านเรือนของผู้คนก่อนที่พายุจะพัดถล่มจะช่วยให้ผู้อยู่อาศัยสามารถเตรียมตัวและตัดสินใจได้ว่าจะอพยพหรือไม่ นักวิทยาศาสตร์จากสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) ได้พัฒนาวิธีการสร้างภาพจากดาวเทียมจากอนาคตเพื่อแสดงให้เห็นว่าภูมิภาคหนึ่งจะเป็นอย่างไรหลังจากเกิดเหตุการณ์น้ำท่วมที่อาจเกิดขึ้นจากพายุเฮอริเคน
วิธีการดังกล่าวผสมผสานระหว่างแบบจำลองปัญญาประดิษฐ์เชิงสร้างสรรค์ (generative AI) กับแบบจำลองน้ำท่วมตามหลักฟิสิกส์เพื่อสร้างภาพมุมมองจากมุมสูงที่สมจริงของภูมิภาคหนึ่ง โดยแสดงตำแหน่งที่น้ำท่วมน่าจะเกิดขึ้นตามความรุนแรงของพายุที่กำลังเคลื่อนตัวเข้ามา งานนี้ได้รับการตีพิมพ์ในวารสาร IEEE ธุรกรรมในด้านธรณีวิทยาและการสำรวจระยะไกล (IEEE Transactions on Geoscience and Remote Sensing)
ในกรณีทดสอบ ทีมได้นำวิธีการนี้ไปใช้กับเมืองฮูสตันและสร้างภาพถ่ายดาวเทียมที่แสดงให้เห็นว่าสถานที่บางแห่งในเมืองจะมีลักษณะเป็นอย่างไร หลังจากเกิดพายุที่เทียบได้กับพายุเฮอริเคนฮาร์วีย์ ซึ่งพัดถล่มพื้นที่ดังกล่าวในปี 2560 ทีมได้เปรียบเทียบภาพที่สร้างขึ้นเหล่านี้กับภาพถ่ายดาวเทียมจริงที่ถ่ายในพื้นที่เดียวกันหลังจากพายุเฮอริเคนฮาร์วีย์พัดถล่ม
นอกจากนี้ พวกเขายังเปรียบเทียบภาพที่สร้างโดย AI ซึ่งไม่มีแบบจำลองน้ำท่วมตามหลักฟิสิกส์อีกด้วย
วิธีการที่เสริมด้วยฟิสิกส์ของทีมสร้างภาพดาวเทียมสร้างสถานการณ์น้ำท่วมในอนาคตได้สมจริงและแม่นยำยิ่งขึ้น ในทางตรงกันข้าม วิธีการที่ใช้ AI เพียงอย่างเดียวได้สร้างภาพน้ำท่วมในสถานที่ที่น้ำท่วมไม่สามารถเกิดขึ้นได้จริง
วิธีการของทีมนี้เป็นการพิสูจน์แนวคิด โดยมีจุดมุ่งหมายเพื่อสาธิตกรณีที่โมเดล AI เชิงสร้างสรรค์สามารถสร้างเนื้อหาที่สมจริงและน่าเชื่อถือได้เมื่อจับคู่กับโมเดลที่อิงตามหลักฟิสิกส์ เพื่อนำวิธีการนี้ไปใช้กับภูมิภาคอื่น ๆ อันเป็นการแสดงให้เห็นน้ำท่วมจากพายุในอนาคต จำเป็นต้องฝึกวิธีการนี้กับภาพถ่ายดาวเทียมจำนวนมากขึ้นเพื่อเรียนรู้ว่าน้ำท่วมจะมีลักษณะอย่างไรในภูมิภาคอื่น ๆ
บยอร์น ลุตเจนส์ (Björn Lütjens) นักวิจัยหลังปริญญาเอกจากภาควิชาธรณี บรรยากาศ และวิทยาศาสตร์ดาวเคราะห์ของสถาบันเทคโนโลยีแมสซาชูเซตส์ ซึ่งเป็นผู้นำการวิจัยนี้ขณะเป็นนักศึกษาปริญญาเอกในภาควิชาการบินและอวกาศของสถาบันเทคโนโลยีแมสซาชูเซตส์ (AeroAstro) กล่าวว่า แนวคิดคือ สักวันหนึ่ง เราสามารถใช้สิ่งนี้ก่อนที่พายุเฮอริเคนจะเกิดขึ้น ซึ่งจะช่วยให้สาธารณชนได้รับข้อมูลชั้นพิเศษเพิ่มเติม
“ความท้าทายที่ยิ่งใหญ่ที่สุดประการหนึ่งคือการสนับสนุนให้ผู้คนอพยพเมื่อพวกเขามีความเสี่ยง บางทีนี่อาจเป็นข้อมูลชั้นพิเศษอีกแบบหนึ่งที่จะช่วยเพิ่มความพร้อมดังกล่าวได้”
เพื่อแสดงให้เห็นถึงศักยภาพของวิธีการใหม่ ซึ่งพวกเขาเรียกกันว่า ‘เครื่องยนต์ข่าวกรองโลก’ (Earth Intelligence Engine) ทีมจึงได้เผยแพร่เป็นแหล่งข้อมูลออนไลน์เพื่อให้คนอื่น ๆ ได้ทดลองใช้
การศึกษานี้เป็นการร่วมมือกับนักวิทยาศาสตร์มากมายหลายสาขา โดยผู้เขียนร่วมของการศึกษานี้จาก MIT ได้แก่ แบรนดอน เลชชินสกี้, อรุณา สันการานารายานันท์ และดาวา นิวแมน (Brandon Leshchinskiy, Aruna Sankaranarayanan, Dava Newman) ซึ่งเป็นศาสตราจารย์ของแอร์โรแอสโตร (AeroAstro) และผู้อำนวยการของเอ็มไอทีมีเดียแล็บ(MIT Media Lab) พร้อมด้วยผู้ร่วมงานจากสถาบันต่าง ๆ มากมาย
เครดิต: ภาพก่อนเกิดน้ำท่วมจากโปรแกรม Maxar Open Data ผ่าน Gupta et al., CVPR Workshop Proceedings ภาพที่สร้างจากIEEE Transactions on Geoscience and Remote Sensing (2024) DOI: 10.1109/TGRS.2024.3493763
หลักการทำงานของการศึกษานี้
การศึกษาใหม่เป็นการขยายความพยายามของทีมในการประยุกต์ใช้เครื่องมือ AI เชิงสร้างสรรค์เพื่อสร้างภาพสถานการณ์สภาพภูมิอากาศในอนาคต
นิวแมน ผู้เขียนอาวุโสของการศึกษา กล่าวว่า การให้มุมมองในระดับท้องถิ่นเกี่ยวกับสภาพอากาศถือเป็นวิธีที่มีประสิทธิภาพที่สุดในการสื่อสารผลทางวิทยาศาสตร์ของเรา ผู้คนทุกคนมีที่อยู่ถิ่นฐานที่มีความเกี่ยวข้องกับรหัสไปรษณีย์ของตนเอง สภาพแวดล้อมในท้องถิ่นที่ครอบครัวและเพื่อน ๆ อาศัยอยู่ การจำลองสภาพอากาศในท้องถิ่นจึงกลายเป็นสิ่งที่เข้าใจง่าย เป็นกันเองและเกี่ยวข้องกัน
ในการศึกษาครั้งนี้ ผู้เขียนใช้เครือข่ายการโต้เถียงเชิงสร้างเงื่อนไข หรือ GAN ซึ่งเป็นวิธีการเรียนรู้ของเครื่องจักรประเภทหนึ่งที่สามารถสร้างภาพที่สมจริงได้โดยใช้เครือข่ายประสาทเทียมสองเครือข่ายที่แข่งขันกัน เครือข่าย “ตัวสร้าง” แรกได้รับการฝึกฝนจากข้อมูลจริงเป็นคู่ เช่น ภาพถ่ายดาวเทียมก่อนและหลังพายุเฮอริเคน จากนั้นเครือข่าย “ตัวแยกแยะ” ที่สองจะได้รับการฝึกฝนให้แยกแยะระหว่างภาพถ่ายดาวเทียมจริงกับภาพถ่ายที่สังเคราะห์ขึ้นโดยเครือข่ายแรก
แต่ละเครือข่ายจะปรับปรุงประสิทธิภาพโดยอัตโนมัติตามข้อเสนอแนะจากเครือข่ายอื่น แนวคิดก็คือ การผลักและดึงของฝ่ายตรงข้ามนั้นควรสร้างภาพสังเคราะห์ที่แยกแยะไม่ออกจากของจริงในที่สุด อย่างไรก็ตาม GAN ยังคงสร้าง “ภาพหลอน” หรือคุณสมบัติที่ไม่ถูกต้องตามข้อเท็จจริงในภาพที่สมจริงซึ่งไม่ควรมีอยู่ได้
ลุตเจนส์ กล่าวว่า ภาพหลอนอาจทำให้ผู้ชมเข้าใจผิดได้ เขาเริ่มสงสัยว่าจะหลีกเลี่ยงภาพหลอนดังกล่าวได้หรือไม่ โดยเครื่องมือ AI เชิงสร้างสรรค์สามารถช่วยให้ข้อมูลแก่ผู้คนได้ โดยเฉพาะในสถานการณ์ที่มีความเสี่ยงสูง
“เราคิดว่า เราจะใช้โมเดล AI เชิงสร้างสรรค์เหล่านี้ในสถานการณ์ที่มีผลกระทบต่อสภาพอากาศได้อย่างไร ซึ่งการมีแหล่งข้อมูลที่เชื่อถือได้มีความสำคัญมาก”
ภาพหลอนจากน้ำท่วม
ในการทำงานใหม่นี้ นักวิจัยได้พิจารณาถึงสถานการณ์ที่มีความเสี่ยงสูง ซึ่งปัญญาประดิษฐ์จะได้รับมอบหมายให้สร้างภาพถ่ายดาวเทียมของน้ำท่วมในอนาคตที่เชื่อถือได้เพียงพอที่จะให้ข้อมูลในการตัดสินใจว่าจะเตรียมตัวอย่างไรและอาจอพยพผู้คนให้ออกจากอันตรายได้อย่างไร
โดยทั่วไป ผู้กำหนดนโยบายสามารถทราบได้ว่าน้ำท่วมอาจเกิดขึ้นที่ใดโดยอาศัยภาพที่แสดงในรูปแบบแผนที่ที่แบ่งตามสี แผนที่เหล่านี้เป็นผลิตภัณฑ์ขั้นสุดท้ายของแบบจำลองทางกายภาพที่มักเริ่มต้นด้วยแบบจำลองเส้นทางพายุเฮอริเคน จากนั้นจึงส่งต่อไปยังแบบจำลองลมที่จำลองรูปแบบและความแรงของลมในพื้นที่นั้น ๆ
วิธีนี้ใช้ร่วมกับแบบจำลองน้ำท่วมหรือคลื่นพายุที่คาดการณ์ว่าลมจะพัดน้ำในบริเวณใกล้เคียงขึ้นมายังพื้นดินได้อย่างไร จากนั้นแบบจำลองไฮดรอลิกจะทำการระบุตำแหน่งที่จะเกิดน้ำท่วมโดยอิงตามโครงสร้างพื้นฐานด้านน้ำท่วมในพื้นที่ และสร้างแผนที่แสดงระดับน้ำท่วมโดยใช้รหัสสีในพื้นที่ใดพื้นที่หนึ่ง
ลุตเจนส์ Lütjens กล่าวว่า คำถามก็คือ การแสดงภาพจากภาพถ่ายดาวเทียมสามารถเพิ่มระดับให้กับสิ่งนี้ได้หรือไม่ โดยที่ภาพเหล่านี้มีความเป็นรูปธรรมและดึงดูดอารมณ์มากกว่าแผนที่ที่ใช้รหัสสีของสีแดง เหลือง และน้ำเงิน ในขณะที่ยังคงเชื่อถือได้
ทีมงานได้ทดสอบก่อนว่า AI เชิงสร้างสรรค์เพียงอย่างเดียวจะสร้างภาพถ่ายดาวเทียมของน้ำท่วมในอนาคตได้อย่างไร พวกเขาได้ฝึก GAN ด้วยภาพถ่ายดาวเทียมจริงที่ถ่ายโดยดาวเทียมขณะที่เคลื่อนผ่านฮูสตันก่อนและหลังพายุเฮอริเคนฮาร์วีย์ เมื่อมอบหมายให้เครื่องสร้างภาพน้ำท่วมใหม่ในพื้นที่เดียวกัน พวกเขาพบว่าภาพเหล่านั้นคล้ายกับภาพถ่ายดาวเทียมทั่วไป แต่เมื่อดูใกล้ ๆ จะพบภาพหลอนในบางภาพในรูปแบบของน้ำท่วมที่ไม่น่าจะเกิดน้ำท่วมได้ (ตัวอย่างเช่น ในพื้นที่ที่ระดับความสูงที่สูงกว่า)
เพื่อลดอาการประสาทหลอนและเพิ่มความน่าเชื่อถือของภาพที่สร้างโดย AI ทีมงานได้จับคู่ GAN กับแบบจำลองน้ำท่วมตามหลักฟิสิกส์ที่รวมพารามิเตอร์และปรากฏการณ์ทางกายภาพที่เป็นจริง เช่น วิถีพายุเฮอริเคนที่กำลังเข้าใกล้ คลื่นพายุ และรูปแบบน้ำท่วม โดยใช้แนวทางที่เสริมด้วยหลักฟิสิกส์นี้ ทีมงานจึงสร้างภาพถ่ายดาวเทียมรอบ ๆ เมืองฮูสตันซึ่งแสดงระดับน้ำท่วมเท่ากันทีละพิกเซลตามที่แบบจำลองน้ำท่วมคาดการณ์ไว้
นิวแมน กล่าวว่า เราแสดงให้เห็นวิธีการที่เป็นรูปธรรมในการรวมการเรียนรู้ของเครื่องจักรเข้ากับฟิสิกส์สำหรับกรณีการใช้งานที่มีความเสี่ยงต่ำ ซึ่งจำเป็นต้องให้เราวิเคราะห์ความซับซ้อนของระบบของโลกและคาดการณ์การดำเนินการในอนาคตและสถานการณ์ที่เป็นไปได้เพื่อให้ผู้คนปลอดภัยจากอันตราย
“เราแทบรอไม่ไหวที่จะให้เครื่องมือ AI เชิงสร้างสรรค์ของเราอยู่ในมือของผู้มีอำนาจตัดสินใจในระดับชุมชนท้องถิ่น ซึ่งอาจสร้างความแตกต่างอย่างมีนัยสำคัญและอาจช่วยชีวิตผู้คนได้”
ที่มา: https://phys.org/news/2024-11-ai-tool-generates-realistic-satellite.html?utm_source=nwletter&utm_medium=email&utm_campaign=daily-nwletter
